信用風險評估范文

本站小編為你精心準備了信用風險評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

關鍵詞：自適應共振，神經網絡，信用風險摘要：自適應共振模型是為了能夠分類任意次序模擬輸入模式而設計的，它可以按任意精度對輸入的模擬觀察矢量進行分類，較好地解決了前穩定性和靈活性問題，同時能夠避免對網絡先前所學的學習模式修改。本文將ART2模型應用于信用風險評估，通過實證比較研究，結果顯示應用自適應共振模型進行信用風險評估在精度和準確性上，都優于其他神經網絡模型和統計方法。1統計方法用于信用風險分類評估存在的局限性對信用風險評估一類主流方法是基于分類的方法，即把信用風險分析看成是模式識別中的一類分類問題—將企業劃分為能夠按期還本付息和違約兩類。其具體做法是根據歷史上每個類別（如期還本付息、違約）的若干樣本，從已知的數據中發現其規律，從而總結出分類的規則，建立判別模型，用于對新樣本的判別，這樣信用評估就轉化為統計中的分類問題。傳統的統計模型主要基于多元統計分析方法，根據判別函數的形式和樣本分布的假定不同，主要的模型有：多元回歸分析模型、多元判別分析模型（MDA）、Logit分析模型、近鄰法等。其中以多元判別分析模型和Logit分析模型應用最為廣泛，已有大量商業化軟件。盡管這些方法在國外有大量應用，但是大量實證研究（Altman，1983；Tam&Kiang，1992；Altman，etal，1994）結果發現：（1）企業財務狀況的評價可以看作是一類基于一系列獨立變量基礎上的分類問題；（2）企業財務狀況好壞與財務比率的關系常常是非線性的；（3）預測變量（財務比率）可能是高度相關的；（4）大量實證結果表明，許多指標不成正態分布。而統計的方法卻不能很好地解決以上問題。由此可見統計模型的最大優點在于其具有明顯的解釋性，存在的缺陷是過于嚴格的前提條件。如多元判別分析模型（MDA），它要求數據服從多元正態分布、等協方差、已知先驗概率和誤判代價等要求，而現實中大量數據嚴重違背了這些假定（Eisenbeis，1997）。引入對數變化可在一定程度上改進數據的非正態分布，但一方面變換后的變量可能失去經濟解釋含義，另一方面仍沒有滿足等協方差的要求；應用二次差別分析（QDA）雖可解決等協方差問題，但一方面沒有滿足正態性假設，另一方面當數據樣本小、維數高（指標多）時二次差別分析的性能明顯下降，而樣本少、維數高正是我國信用數據的顯著特點。實證結果還表明二次差別分析對訓練樣本效果較好，而對測試樣本并不理想。除此以外，多元判別分析模型適用于成熟行業的大中型企業，因為這些企業具有較強的穩定性和規范性，其發展有一定的規律可循，參數統計方法易于給出較準確的結果及合理的解釋。然而這類方法是靜態的，需要根據地區、行業經濟情況的變化不斷地調整參數，甚至進行變量的調整。為了解決這些問題，引入了Logit分析模型和近鄰法。Logit分析模型不需要假定任何概率分布，也不要求等協方差，但是當樣本點存在完全分離時，模型參數的最大似然估計可能不存在，模型的有效性值得懷疑，另外該方法對中心區域的差別敏感性較強，導致判別結構的不穩定。近鄰法不要求數據正態分布，但當數據的維數較高時，存在所謂的“維數禍根（Curseofdimensionality）”——對高維數據，即使樣本量很大，其撒在高維空間中仍顯得非常稀疏，絕大多數點附近根本沒有樣本點，這就使得“利用空間中每一附近的樣本點來構造估計”的近鄰法很難使用。2應用神經網絡進行信用風險評估的意義商業銀行信用風險評估是復雜的過程，除了對企業的財務狀況的各種特征的評估外，還須對企業的非財務狀況進行評估，而且又涉及宏觀經濟環境和產業結構、產業周期的影響；除了客觀的評估外，還依賴于專業人員依據經驗進行主觀評估。神經網絡是一種具有模式識別能力，自組織，自適應，自學習特點的計算機制，它的知識編碼于整個權值網絡，呈分布式存儲且具有一定容錯能力。神經網絡對數據的分布要求不嚴格，也不必要詳細表述自變量與因變量之間的函數關系，神經網絡的這些特征使之成為信用風險分析方法的一個熱點。建立商業銀行信用風險評估模型必須依賴于一組已知的函數集合。要求這種函數集合在任意精度上可以逼近實際系統，從數學上講，這就要求這個集合在連續函數空間上是致密的。目前已經從理論上嚴格證明了只用一個隱藏層的神經網絡就可以唯一地逼進任何一個連續函數。多層神經網絡為系統的辨識和建模，尤其是非線性動態映射系統提供了一條十分有效的途徑。非線性動態映射系統的神經網絡建模被認為是應用神經網絡的最成功的范例。影響商業銀行信用風險評估的機理很復雜，無法建立精確的非線性動態模型，而人工神經網絡擅長處理非線性的、關系不確定的十分復雜以至于數學模型難以描述的問題。對于分析時間序列數據，由于人工神經網絡能識別和模擬數據間的非線性關系，不需要正態分布和先驗概率等條件的約束，能針對新增樣本靈活的訓練再學習，因此優于其他統計方法，同時由于網絡本身具有自學習的功能，預測結果相對精度較高而且穩定性好，因此應用神經網絡可以通過對網絡的訓練，掌握借款人的財務特征的非線性函數關系。神經網絡是由許多神經元構成的，它對系統特性的記憶表現為各個神經元之間的連接權值，單個神經元在整個系統中起不到決定性作用，一個經過訓練的神經網絡可以按相似的輸入模式產生相似的輸出模式，當商業銀行信用風險評估系統因某些非財務風險因素和判斷誤差過大的財務風險因素造成輸入模式變形時，網絡仍可以保證穩定的輸出。神經網絡可以逼進任意復雜的非線性系統，神經網絡的轉換函數能夠非線性地響應沖擊，例如，像覆蓋比率這樣的財務比率超過最低水平（如AAA級）時，超過這個閥值的增加值不會對信用質量有什么影響。線性回歸不能以這樣的方式限制響應程度，神經網絡的轉換函數卻能實現。神經網絡以并行的方式處理信息，具有很強的信息綜合能力，因此神經網絡理論在商業銀行信用風險分析和實施對信用風險的主動控制中將會發揮更大的作用。由神經網絡構成的非線性模型具有較強的環境適應能力。在根據多個訓練樣本企業的財務特征建立神經網絡非線性系統后，如果企業類型、財務特征和非財務特征發生變化，神經網絡可以通過學習，建立企業信用的非線性函數關系，并且不需要改變網絡的結構和算法。綜上所述，對于那些無法建立精確的動態判別函數模型的非線性商業銀行信用風險評估，可以將神經網絡理論應用于風險評估當中，撇開企業財務因素、非財務因素和企業信用狀況復雜的非線性機理，建立起非線性風險映射近似的動態模型，使這個模型盡可能精確地反映風險映射關系非線性動態特征。通過該系統我們能夠計算對各種輸入的響應，預估商業銀行信用風險狀況及其發展趨勢，進而能夠使用各種信用工具對風險進行主動控制，促進商業銀行的智能化風險管理系統的建設和發展完善。3基于自適應共振理論的信用風險評估模型一個公司財務狀況的好壞往往是企業自身、投資者和債權人關注的焦點。因為一個營運良好、財務健康的公司可提高自身在市場上的信譽及擴展籌資渠道，以使投資者信心倍增。相反，一個陷入財務困境和瀕臨破產的企業不僅乏力吸引投資，還讓原有投資者面臨巨大的信用風險。由上文的分析中我們知道，對企業財務指標的分析，傳統的分類方法盡管有它的優點但本身也存在一些局限性。作為研究復雜系統的有力工具，神經網絡能處理任意類型數據，這是許多傳統方法無法比擬的。通過不斷學習，能夠從未知模式的大量復雜數據中發現其規律。神經網絡方法克服了傳統分析過程的復雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，毋需分清存在何種非線性關系，給建模與分析帶來極大的方便。該方法用于企業財務狀況研究時，一方面利用其映射能力，另一方面利用其泛化能力，即在經過一定數量的帶有噪聲的樣本訓練之后，網絡可以抽取樣本所隱含的特征關系，并對新情況下的數據進行內插和外推以推斷其屬性。目前我國銀行機構主要使用計算貸款風險度的方法進行信用風險評估——在對企業進行信用等級評定的基礎上，考慮貸款方式、期限以及形式因素，進而確定貸款的風險度。其中作為核心的信用等級評定，是通過對企業的某些單一財務指標進行評價，而后加權平均確定的。該方法的最大缺陷在于指標和權重的確定帶有很大的主觀性，使得評級結果與企業的實際信用狀況有很大出入，因此需要引入科學方法來確定有效指標，并建立準確的定量模型來解決信用評估問題。針對這種形勢，根據我國商業銀行的具體情況，結合國際上目前較為流行人工神經網絡技術，本文設計了一種基于自適應共振理論的信用風險評估方法。3.1自適應共振理論（ART）介紹自適應共振理論（AdaptiveResonanceTheory）簡稱ART，是于1976年由美國Boston大學S.Grossberg提出來的。他多年來一直潛心于研究用數學來描述人的心理和認知活動，試圖為人類的心理和認知活動建立統一的數學理論，ART就是這一理論核心部分，又經過了多年的研究和不斷發展，至今已經提出了ART1、ART2和ART3共三種結構。ART網絡作為模式分類器較好地解決了前面提到的穩定性和靈活性問題。使用ART網絡及算法具有較大的靈活性以適應新輸入的模式，同時能夠避免對網絡先前所學的學習模式修改。ART是一種能自組織的產生對環境認識編碼的神經網絡理論模型，由于橫向抑制是自組織網絡的特性，ART采用了MAXNET子網結構，該網絡采用橫向抑制方法增強并能選擇具有最大值輸出的一個節點。ART模型的算法過程如下：第一，將一個新樣本X置入節點；第二，采用自下而上的過程，求得：；第三，運用MAXNET網絡，找到具有最大輸出值的節點；第四，通過自上而下的檢驗，判斷X是否屬于第j類，即如果有，則X屬于第j類，是警戒參數。如果上式不成立，轉到第六步，否則繼續。第五，對于特定的j和所有的i更新和，設t1時刻，，，。第六，無法判斷X是否屬于第j類，抑制該節點返回到第二步，執行另一個聚類的處理過程。本文所使用的神經網絡模型就是ART2神經網絡模型。ART2神經網絡是為了能夠分類任意次序模擬輸入模式而設計的。它可以按任意精度對輸入的模擬觀察矢量進行分類。